Page 280 - 《软件学报》2021年第9期

2904 Journal of Software 软件学报 Vol.32, No.9, September 2021

处理层对待测图像进行预处理操作,预处理操作能够从待测图像中提取出噪声残差信息,有利于卷积模块的特
征学习;提取的噪声残差信息随后进入卷积模块,卷积模块中,首先通过卷积运算提取隐写特征,紧随的批量归
一化操作和激活层能够有效提高卷积模块的特征学习能力和提升网络的性能,合理设计多组卷积模块能够使
网络能够更好地学习隐写特征;经过卷积模块中一系列的卷积层和激活层等层层连接之后,需要通过全连接层
进行连接,并将全连接层输出值直接传给分类器 Softmax 层进行分类,最终输出的分类结果为待测图像分属原
始图像和携密图像的概率值.为了有效提升低嵌入率下的隐写分析效果,本文基于 Shen-Net 框架提出了逐步迁
移学习方案,将高嵌入率下的训练模型作为初始参数逐步迁移至低嵌入率的网络中进行训练,使低嵌入率的网
络能够有效借助高嵌入率训练模型的参数作为辅助来提升对低嵌入率隐写特征的学习能力.

输入模块
待测图像 预处理

卷积模块

卷积层 批量归一化 激活层

输出模块

全连接层 Softmax层 分类结果

Fig.1 Overall framework of the algorithm proposed in this paper
图 1 本文提出的算法整体框架

网络的整体结构如图 2 所示.Shen-Net 的输入图像的大小为 256×256,网络结构包括一个预处理层、3 个卷
积模块.其中,每个卷积模块包括卷积层、批量归一化操作、激活函数,卷积模块后跟随了两个全连接层,最后使
用 softmax 函数进行分类.下面将对 Shen-Net 网络结构的各个部分进行详细阐述.

Fig.2 Shen-Net convolutional neural network structure
图 2 Shen-Net 卷积神经网络结构
2.1 网络执行流程
本文提出的 Shen-Net 执行流程框图如图 3 所示,在模型的训练阶段,训练图像输入网络后首先通过预处理
层进行噪声残差提取,在后续网络的传播中对噪声残差图像进行隐写特征的学习训练.训练过程中,利用正向传
播计算输出结果,通过对输出结果与实际结果求偏差,判断是否超过容许范围;否则进行反向传播,并计算各层
中的误差,并通过梯度下降算法更新各层权值.通过反复传播计算,最终生成训练好的网络模型.
在测试阶段,直接将待检测图像输入网络模型中,模型同样首先进行噪声残差的提取操作,再通过后续的传
播计算,最终进行分类,分类结果为两个标签上的概率值.最后,根据图像分类产生的概率值进行最终判定,概率